无审查 MiMo 视觉 API

便宜的多模态端点之所以便宜，是因为有东西被砍掉了，而被砍掉的往往正是你看不见的那部分：权重被压到三比特或四比特，模型却仍然对一张它其实已经读不清的图表信心满满地作答。MiMo-V2.5 是我们目录里的反例 —— 它同时站在价格地板和最高精度档上，因为它所源自的基座从一开始就是被做成小而稠密的，而不是巨大而稀疏的。

01MiMo 从哪来：先是推理模型，其次才是视觉模型

MiMo 系列是小米的开源权重研究项目，而它的立论并不时髦：推理能力是在预训练阶段定下来的，不是事后用 RL 外挂上去的。这项工作大部分是数据工程 —— 小米重建了文本抽取和过滤流程，以提高语料中推理模式的密度，大规模生成合成推理数据，并在三阶段配比下用约 25 万亿 token 预训练出 MiMo-7B-Base，同时把多 token 预测作为辅助目标，它在推理时又兼作投机解码器（据小米，接受率接近 90%）。

后训练则刻意做得很朴素：13 万道数学与代码题，只用基于规则的正确性奖励，不用学出来的奖励模型 —— 理由是神经奖励模型本身就是一个可被攻破的面。可验证的奖励不会被花言巧语哄骗。MiMo-7B-RL 交出的成绩与它的体量不成比例 —— 小米报告 AIME 2024 上 68.2%、MATH-500 上 95.8%、LiveCodeBench v5 上 pass@1 57.8%，与 OpenAI 的 o1-mini 持平。你要调用的模型就是这个形状：紧凑、训练密度高、被调教成去把问题想通而不是回忆答案 —— 而这份气质一直延续到了它的多模态后代身上。

02MiMo 是怎么学会看的：MiMo-VL 架构

MiMo-VL 是视觉语言分支，它的搭建方式很有启发。小米拼了三块：一个原生分辨率 ViT 编码器，保留细节，而不是把每张图都塞进固定的低分辨率网格；一个随机初始化的、通向语言模型隐空间的 MLP 投影器；以及 —— 关键的 —— 把 MiMo 推理骨干当作语言模型。这套视觉系统继承的解码器，本来就擅长多步思考，而不是仅仅擅长看图说话。

训练跑了四个预训练阶段 —— 投影器预热、视觉-语言对齐、通用多模态预训练、长上下文 SFT —— 总量约 2.4 万亿 token，随后是混合 on-policy 强化学习（MORL），把感知准确性、视觉定位精度、推理正确性以及人类/AI 偏好折进同一个 on-policy 回路里。报告很坦白地承认，同时优化这些目标是不稳定的 —— 这比大多数多模态论文的说法都诚实。

就参数量而言，公布的结果很强。小米报告 MiMo-VL-7B-RL 在 40 项任务中的 35 项上胜过 Qwen2.5-VL-7B，OlympiadBench 上 59.4（高于最大 78B 的模型），GUI 定位的 OSWorld-G 上 56.1，领先于专门做界面的智能体。之后的 2508 版本让 MMMU 首次在该系列中突破 70（70.6），并达到 ChartQA 94.4、ScreenSpot-v2 92.5 和 VideoMME 70.8，还加了一个思考开关，可以按请求关闭推理轨迹。

03W8A16 是什么意思，以及为什么它对视觉比对文本更重要

网关上每个模型都带一个量化后缀。它不是装饰 —— 它告诉你为了让这个模型能被服务出来，换掉了什么。

后缀	它是什么	为什么会用它
3BIT-REAP	3 比特权重加 REAP —— 一种在量化之前先把 MoE 模型中很少被路由到的专家删掉的专家剪枝方法	要让最大的那些基座装得下、又跑得不慢，这是唯一的办法
W4A16-AUTOROUND-REAP	4 比特权重、16 比特激活，用 AutoRound 量化 —— 一种学出来的舍入方式，相比朴素的就近取整能挽回精度 —— 再加上 REAP 剪枝	面向那些不需要极端压缩的大型基座的折中方案
W8A16	8 比特权重、16 比特激活 —— 我们提供的最高保真档	用在那些本身就足够小、不需要激进压缩的基座上

MiMo-V2.5 靠「紧凑」赢得了第三行：这一量级的稠密基座不用被压到三比特就装得下，所以你付得起保留八比特，而你采样时用的权重也就接近训练出来的那些。这一点对图像工作的影响格外大，原因是结构性的。在一个纯文本解码器里，某个在量化下漂移的嵌入，还会被后面几十层注意力重新语境化 —— 有很多次找补的机会。视觉栈没有这种余地：视觉信息要经过唯一一个编码器和唯一一个窄投影器才到达解码器，而下游的一切都以那个瓶颈产出的东西为条件。细粒度信号 —— 低对比度扫描件里的 3 和 8、图表坐标轴上柱子结束的确切像素、你被要求点击的那个 UI 元素的边界 —— 就住在低幅值的权重细节里，而那正是激进量化最先丢掉的东西。

一个 3 比特视觉模型不会大声地失败；它会安静地失败，为一份文档生成一段流畅的描述，而合计金额里有两位数字调了个位置。更高的权重精度是抵御这种失败最便宜的保险，而在这里它还是免费的 —— 反正你付的都是地板价。

04地板价，放在上下文里看

我们十二个模型的目录里，有四个位于每百万 token 输入 $0.50 / 输出 $2.00 的价格地板。其中只有一个接受图像。下面是具备视觉能力的模型在输出成本上的位置 —— 输出价才是大多数真实账单的主导项：

输出价格，美元每 100 万 token，Shannon AI 网关标价，2026 年 9 月。条形长度相对于目录里最贵的视觉模型。

对上 Kimi-K3 —— 视觉能力的天花板模型，而且确实更强 —— MiMo-V2.5 在输出上大约便宜 9.6 倍，在输入上便宜 7.7 倍。这不是在宣称两者等价；这是在讲负载形状。当你每月要处理十万张图片时，天花板模型是买不起的，地板模型是买得起的，而老实的问题是：地板模型能不能过你的精度线 —— 而不是它能不能赢一场跑分。

05MiMo-V2.5 对 MiniMax-M3：两个便宜视觉模型的老实比较

这两个在价格、上下文和端点接口上完全打平。它们并不能互换：量化档位其实代表着关于「什么让一个视觉模型有用」的两种不同押注。

	MiMo-V2.5 · W8A16	MiniMax-M3 · 3BIT-REAP
每 100 万 token 输入 / 输出	$0.50 / $2.00	$0.50 / $2.00
权重精度	8 比特	3 比特 + 专家剪枝
基座规模	紧凑、稠密	大型稀疏 MoE
视觉	支持	支持
上下文窗口	262,144	262,144
Schema · 工具 · 流式	支持	支持

当图片本身就是难点时，选 MiMo-V2.5：对不完美扫描件做密集 OCR、从图表和表格里抽数值、截图与 UI 定位、读小字、区分几乎一模一样的商品照 —— 凡是「一位数字调了位置」算缺陷而不是算瑕疵的场景。你要的是从像素到 token 保真度最高的那条通路，而在这个价位上，8 比特权重就是你拿到它的方式。

当图片是简单的那部分时，选 MiniMax-M3。一个被压到 3 比特的大型稀疏基座，装下的世界知识和推理广度仍然多于一个紧凑稠密模型所能容纳的，哪怕剪过枝也是如此。如果任务是「看看这张照片，然后详细推理它意味着什么」，或者图像只是一段以文字为主的对话里的一个输入，那么更大的基座才是更趁手的工具 —— 你让出去的那点视觉锐度并不是真正的约束条件。

06MiMo-V2.5 对 MiMo-V2.5-Pro：那个用眼睛换深度的同门

这是引出最多工单的一组比较，所以值得说直白点。MiMo-V2.5-Pro-W8A16 和 MiMo-V2.5-W8A16 共享价格、上下文窗口、精度档位和家族名。Pro 不接受图像。它不是一个超集，而是同一份预算的另一种分配。

提供一个多模态模型，意味着除了解码器之外还要为视觉塔和投影器付钱 —— 在固定的成本目标下，那就是没花在语言模型本身上的容量。Pro 把全部预算都花在文本上：一个更大的基座，在长文写作、长链推理和代码上有更多余量。MiMo-V2.5 则拿出一部分去换视力。

所以决策规则关乎你的输入，而不是你的野心。如果任何一个请求里可能出现截图、扫描页、图表、示意图或照片，你就需要 MiMo-V2.5 —— Pro 会拒收那个内容块。如果每个请求都是纯文本，而你只是出于习惯去拿了视觉模型，那你就是白白让出了基座质量：以完全相同的价格改用 MiMo-V2.5-Pro。

一个值得抄走的模式：按内容类型路由。带图像片段的一律走 MiMo-V2.5-W8A16，其余全走 MiMo-V2.5-Pro-W8A16。同一个家族、同一个价格、同一份上下文预算 —— 路由逻辑非常简单，也没有两套成本模型需要对账。

07「无审查的图像理解」到底意味着什么

这个模型前面没有拒答层，输出上也没有内容过滤器。这是一个产品决定，而它对视觉工作有一个很具体的后果：模型会描述画面里有什么，而不是基于题材直接拒绝。

这一点重要，是因为被过滤的视觉 API 在结构上就不适合一整类正当工作。一条审核流水线必须看它要审核的材料并说出那是什么；一个拒绝查看它所要分类之物的分类器，根本不是分类器。同样的道理适用于一长串真实工作：

• 信任与安全工具 —— 恰恰要给主流 API 不肯处理的那类图像打标签，而那正是最需要被打标签的图像。
• 医学、取证与事故图像 —— 临床、伤情和现场照片，通用过滤器不管是谁在提问，都会以「血腥」为由拒绝。
• 安全研究 —— 读钓鱼页面、恶意界面和抓取到的屏幕，而模型不会对前提本身犯怵。
• 成人内容分类与档案编目 —— 那些存在的目的就是识别材料、因而无法把「看」外包出去的流水线，以及那些被过滤器视为无法标注的历史馆藏。

移除拒答层移除的是一个工程障碍，不是一个法律障碍。Shannon AI 由美国新墨西哥州的 Shannon Lab LLC 运营，API 的使用受我们的《负责任使用政策》约束。不加过滤的输出是一项能力，不是一张许可证。

08怎么调用：端点、图像输入，以及它适合放在哪

模型 id 是 MiMo-V2.5-W8A16，可以用三种请求方言访问同一份权重，所以你手上已有的 SDK 不用换：

• /v1/chat/completions —— OpenAI 兼容。图像作为 image_url 内容片段传入，可以是 https URL，也可以是 base64 data URI。
• /v1/messages —— Anthropic 兼容。图像作为 image 内容块传入。
• /v1/responses —— Responses 风格的方言。

三者都支持流式和工具调用，所以模型可以在同一轮里看一张截图、然后就它看到的东西调用一个函数。完整的请求与响应 schema 在 API 文档里，那里还有一个 playground，你可以在写任何代码之前先粘一张图进去试试。

MiMo-V2.5 支持严格的 json_schema 和 response_format —— 这是「演示」和「流水线」之间的分界。你把一张收据连同一份带类型字段（供应商、日期、明细行、合计）的 schema 递给它，拿回来的是你的代码可以直接校验的对象，而不是一段需要你写正则去啃的文字。这个目录里十二个模型中有两个不完整支持结构化输出；这一个不在其中，这也正是它能当高吞吐抽取服务用的原因。

上下文窗口是 262,144 token；每次请求生成的输出上限为 16,384 token。图像按分辨率消耗输入 token，所以高分辨率的页面扫描件吃掉上下文的速度，远快于同等字数的文本。请把长文档分页处理，而不是把一份 300 页的扫描件塞进一次请求；并且把输出上限当成对「穷举式抽取」的真实约束 —— 密集表格按行区间分块，而不是拿到一个被截断的答案。

考虑到这个家族的出身，reasoning_effort 这个旋钮在这里有实打实的杠杆。做大批量分类时把它调低，那里答案就是一个标签，思考 token 纯属成本；做图表解读、视觉数学和示意图推理时把它调高，那些任务里模型必须把它看到的好几样东西组合起来才能回答。

它适合放在哪，不适合放在哪

适合。大批量文档与收据抽取；对不完美扫描件做 OCR 相邻的工作；图表、仪表盘和表格阅读；截图理解与 UI 定位；商品目录打标与视觉问答；审核流水线 —— 任何单次调用成本吃紧、而细节精度又是你不肯让步的多模态任务。

不适合。不计价格也要最强模型的前沿难度多模态推理 —— 那是 Kimi-K3 的活，它贵将近十倍是有原因的。纯文本生成，那里 MiMo-V2.5-Pro 以相同价格给你更好的基座。依赖百科式世界知识的工作，那里大型稀疏基座会跑赢紧凑稠密基座。以及任何需要超过 262K 上下文的场景 —— 这里没有任何模型提供更多。

09常见问题

---

来源：MiMo 技术报告（arXiv 2505.07608） · MiMo-VL 技术报告（arXiv 2506.03569） · XiaomiMiMo/MiMo-VL · MiMo-VL-7B-RL-2508。所有基准数字均为小米针对上文点名的已发布 checkpoint 所报告，描述的是这条家族血脉，而不是本端点上的确切构建。价格、上下文和能力标记为 2026 年 9 月的 Shannon AI 网关标价。